ЯНА ПАРШУТИНА, BUTIK....снижение цены в корзине =1.8 X CR Email,...
Transcript of ЯНА ПАРШУТИНА, BUTIK....снижение цены в корзине =1.8 X CR Email,...
Оптимизируй модно:
сквозная аналитика для
улучшения пользовательского
опыта в fashion
ЯНА ПАРШУТИНА, BUTIK.
OPTIMIZATION
2019
1. BUTIK. Кто мы?
2. Органический трафик:
● особенности, отличающие от остального marketing mix, и
● отраслевая специфика поискового продвижения в fashion.
1. Оптимизация омниканального опыта на базе
сегментации и персонализаци:
● пользовательской (поведенческой),
● клиентской (RFM, категорийной и брендовой affinity, склонности к скидкам) и
● сквозной аналитики (O2O, ROPO, offline-трекинг, funnel-based атрибуция).
О чём поговорим:
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
2
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
3
BUTIK. Кто мы?
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
4
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
5
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
6
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
7
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
8
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
9
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
10
OPTIMIZATION
2019
Органический трафик:
● отличительные особенности в marketing mix и
● отраслевая специфика fashion
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
11
OPTIMIZATION
2019
Хорошая новость - выгодные отличия “органики” в marketing mix:
● метрики вовлеченности:
○ глубина просмотра = 1.6 Х
○ длительность сессии = 1.5 Х
○ показатель отказов = 1.2 Х
● метрики performance:
○ коэффициент конверсии = 1.2 Х
○ средний чек = 1.2 Х
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
12
OPTIMIZATION
2019
Проблема:
1. в fashion огромное количество атрибутов товаров, которые
невозможно учесть в рубрикаторе (каталогизировать) без значимых
потерь в UX;
2. игнорирование таких атрибутов лишает нас значимой части
органического трафика (по СЧ, НЧ, а иногда и ВЧ запросам).
Решение - теговые страницы.
Как мы сделали генератор теговых страниц:
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
13
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
14
https://www.butik.ru/catalog/zhenshchinam/
obuv/tag/na_shirokom_kabluke
OPTIMIZATION
2019
Вторая новость - отраслевая специфика
поискового продвижения в fashion:
● региональное продвижение:
○ ранжирование в регионах без физ. присутствия продвижение в 3-4 раза хуже Москвы,
○ выигрывают компании с собственными магазинами и ПВЗ в регионах *,
○ все еще «работают» поддомены с автогенерацией и маскировка чужих сетей ПВЗ под свои
псевдоадреса,
● IT vs SEO:
○ постоянная борьба за скорость сайта **,
○ BUTIK: за 5 лет более 3 “переездов” сайта
на новый дизайн, URLs, CMS (framework):
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
15
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
16
OPTIMIZATION
2019
Вторая новость - отраслевая специфика
поискового продвижения в fashion:
● страницы каталога:
○ сравнительно небольшой ассортимент относительно гигантов (Lamoda, WB),
○ для ранжирования не нужен SEO текст - его заменили длинные имена товаров на листинге
и надписи без потери видимости,
○ не работают по информационным запросам,
● страницы брендов:
○ всего 300+, но высокого качества,
○ для ранжирования не нужен SEO текст,
○ проблема 1: сайт поделен на женский и мужской -> поисковый запрос бренда должен вести
на одну страницу -> решение - запрет мужской страницы к индексации,
○ проблема 2: потери поисковой видимости и невозможность занять 1 место из-за
официальных сайтов и профилей в соцсетях
○ проблема 3: избыточный вес сайтов с именем бренда в доменном имени
● страницы товаров:
○ проблема: спрос в fashion категорийный и брендовый, на карточки товара приходят НЧ, под
которые нельзя построить теговые и категорийные страницы
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
17
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
18
OPTIMIZATION
2019
Оптимизация омниканального опыта на
базе сегментации, персонализации и
сквозной аналитики
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
19
OPTIMIZATION
2019
Схема сбора, хранения и использования данных OMNI проекта.
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
20
OPTIMIZATION
2019
Оптимизация омниканального опыта на основе
пользовательской (поведенческой) сегментации:
● персонализация прямых коммуникаций: email, смс, web и mobile push уведомления,
● сегментированные коммуникации в digital каналах,
● on-site персонализация: pop-ups, нотификации, персонализированные рекомендации,
● активация в digital каналах аудиторий, собранных на основе трекинга offline трафика.
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
21
OPTIMIZATION
2019
А Email - это:
7% трафика
13% заказов
2Х CR сайта
Персонализация прямых коммуникаций: email, web и mobile push уведомления:
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
22
Триггерные Email рассылки:
● брошенная корзина = 2.3 X CR Email,
● брошенный wish list = 1.2 X CR Email,
● брошенный просмотр карточки = 1X CR Email,
● снижение цены в корзине = 1.8 X CR Email,
● снижение цены в wish list = 1.2 X CR Email.
Доля таких рассылок в заказах канала = 10%.
Push уведомления (web и mobile)
здесь мы “на низком старте”.
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
23
OPTIMIZATION
2019
Сегментированные коммуникации в digital каналах:
Все коммуникации в digital каналах построены в аудиторном разрезе:
○ покупатели:
i. покупатели разного “срока давности”,
ii. клубные клиенты *
максимально конверсионный сегмент, “палочка-выручалочка”,
○ посетители - ретаргетинг / ремаркетинг на разных этапах воронки продаж:
i. посетители сайта,
ii. добавили товар в wish list,
iii. брошенные корзины разного “срока давности”.
○ новая аудитория:
i. look-alike на покупателей,
ii. поисковые запросы,
iii. in-market, custom intent, social id (vkid) и др.
наименее конверсионный сегмент, но абсолютно необходимый.
○ offline трафик *:
i. трафик BUTIK., трафик ТЦ, брошенные offline корзины, трафик прохожих.
все аудитории выделены в самостоятельные РК и “зашиты” в utm-campaign,
что позволяет оперативно включать / отключать РК на сегменты, управлять ставками и предложением.
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
24
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
25
On-site персонализация:
1. персональные рекомендации -
○ где:
i. на главных страницах,
ii. в разделах каталога (категории),
iii. в карточках товаров, в корзине,
○ кому:
i. по этапам воронки продаж: новые, вернувшиеся, покупавшие (+ top spenders),
ii. таргеты: соц.-дем., гео (!), девайсы, источники трафика (!),
○ что:
i. популярное,
ii. просмотренное,
iii. просмотренное с купленным, “дорогое”.
2. pop-ups, нотификации, оверлеи - сервисные и продающие:
○ что: сбор подписчиков, персональные предложения, сообщения об изменении условий доставки, rush timers.
○ кому: релевантные сегменты аудитории сайта.
3. иные механики: custom proof в карточке товара (!), up sell в карточке товара, exit intent в корзине.
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
26
Top-5 стратегий on-site персонализации по прямому доходу (77%)
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
27
Exit intent & Customer proof
OPTIMIZATION
2019
Активация в digital каналах offline аудиторий
O2O (online 2 offline): омниканальность из online в offline
… и обратно
Зачем:
● мониторинг объема offline трафика: по дням, часам, торговым зонам… и главное - “по головам”,
● сегментирование offline трафика по affinity к товарным категориям и брендам (до покупки),
● сегментирование offline трафика по этапам воронки продаж (торговые зоны, примерочные, кассы),
● сбор аудиторий для коммуникаций в digital каналах (Яндекс, myTarget),
● сбор “смэтченных” (MAC + Email + телефон) аудиторий - для коммуникаций в каналах direct маркетинга (Email,
смс).
Зачем на самом деле:
оптимизация рекламного бюджета за счет таргетированных коммуникаций и релевантного предложения
Кроме того:
знание нагруженности торговых зон посетителями по часам и дням недели позволяет планировать персонал,
анализировать обеспеченность торговых зон персоналом (да, сотрудники отслеживаются точно так же).
В планах:
real-time коммуникация через in-app push уведомления в торговом зале и
digital панели в примерочных.
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
28
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
29
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
30
OPTIMIZATION
2019
Оптимизация омниканального опыта на основе
клиентской (RFM, affinity, склонность к скидке)
сегментации
… все то же, но намного круче:
● on-site персонализация - персональные рекомендации, up-sell в корзине и т.п.
● персонализация прямых коммуникаций (email, смс),
● активация CRM сегментов в digital каналах.
полнее и точнее за счет учета:
● выкупаемости online заказов,
● offline покупок,
● offline поведения,
● покупательских паттернов - частотности, давности, чеков,
● affinity - категорийных, брендовых и приверженности скидкам.
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
31
OPTIMIZATION
2019
Персонализация прямых коммуникаций: email, смс, web и mobile push уведомления:
Какие сегменты мы рассчитываем:
Классические RFM-сегменты: Кастомные CRM-сегменты:
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
32
быстрый пересчет (Google App Script по расписанию)
прозрачная методика и гибкая настройка параметров
использование в digital-каналах:
● управление ставками● таргетирование рекламы● look-alike (поиск похожей аудитории)
(механический подход к сегментированию)
кастомизация под специфику бизнеса Компании и бизнес-процессы в блоке Маркетинга
учитывает цикл потребления клиентов, источники пополнения клиентской базы, воронку продаж, omni-канальность, ROPO
возможность анализировать KPI CRM-маркетинга в динамике и в любых дополнительных разрезах
высокая управленческая ценность
(управленческий подход к сегментированию)
OPTIMIZATION
2019
Как:
Корректировка ставок
● повышающие коэффициенты для сегментов с
высоким LTV (ROI) и
● понижающие (вплоть до исключения)
Поиск новой аудитории среди пользователей,
похожих на сегменты (Look-alike):
● с высоким LTV
● с максимальными значениями по R
● с высоким уровнем схожести
Где:
Яндекс: аудитории из собранных в Google
Analytics Client_ID Метрики загружаются в
Яндекс.Аудитории
Google AdWords: сегменты загружаются в Google
Cloud Storage (csv) и доступны партнерам
Сегментирование покупателей по:R (recency) - давности покупокF (frequency) - частотности покупокM (monetary) - сумме покупок
Число сегментов зависит от дробления в каждом измерении: 27 (3Rx3Fx3M), 125 и т.п.
У каждого сегмента своя bid ratio (относительная ценность): ARPU сегмента / ARPU общий
Частота расчета, дробление по измерениям, транзакционное окно - ЛЮБЫЕ.Данные: CRM->BigQuery (выкупленные заказы)
Персонализация прямых коммуникаций: email, смс, web и mobile push уведомления:
Классические RFM сегменты - параметры настройки и использование:
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
33
OPTIMIZATION
2019
New Members - новые регистрации без покупки
Old Members - старые регистрации без покупки
New buyers - совершившие первую покупку
Good Buyers - покупавшие в > 3 t из последних 6
Very Good Buyers - Good Buyers с верхним
порогом TR.
Casual buyers - покупавшие в 1-2 t из последних 6
Sleep - не покупавшие 6 t подряд
Inactive - не покупавшие 12 t подряд
t - период расчета сегментов; цикл omni потребления клиентской базы (медиана между двумя “соседними” заказами).
T - период расчета LTV клиента; T = Nt = число t, после которых клиент переходит в “потерянный” сегмент (Inactive, вероятность покупки близка к 0).
LTV = (AOV - CPO) * Q * T
TR (Transformation Rate) - доля клиентов в сегменте, совершивших покупку в t; суть вероятность покупки в сегменте в t
Персонализация прямых коммуникаций: email, смс, web и mobile push уведомления:
Кастомные CRM сегменты - параметры настройки:
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
34
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
35
OPTIMIZATION
2019
Оптимизация омниканального опыта на основе
сквозной аналитики (O2O, ROPO, offline-трекинг, funnel-
based атрибуция):
● O2O (online 2 offline),
● ROPO (research online purchase offline),
● offline-трекинг,
● funnel-based атрибуция.
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
36
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
37
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
38
OPTIMIZATION
2019
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
39
OPTIMIZATION
2019
Яна Паршутина
Директор по маркетингу, «BUTIK.»
+7 916 350 [email protected]
Оптимизируй можно: сквозная аналитика для улучшения
пользовательского опыта в fashion
Спасибо!
40